时间戳

首页 > 解决方案 > 层权重的 keras 形状与保存的权重形状不匹配

python - 层权重的 keras 形状与保存的权重形状不匹配

问题描述

我正在尝试使用 matterport Mask R-CNN 实现来识别图像中的项目。我使用 coco 数据集作为起点，并训练它识别其他类型的对象。那工作得很好。它能够成功地识别出场景中存在这种类型的物体。我最近完成了第二批训练，现在当我尝试检查同一个场景是否存在同一个项目时，它会抛出一个错误。

调用此代码时：

model = modellib.MaskRCNN(mode="inference", config=config, model_dir=LOGS_AND_MODEL_DIR)
weights = args["weights"] if args["weights"] \
            else model.find_last()
model.load_weights(weights, by_name=True)

我的程序现在遇到以下错误：

Traceback (most recent call last):
  File "mask_training.py", line 185, in <module>
    model.load_weights(weights, by_name=True)
  File "/usr/local/lib/python3.6/site-packages/mask_rcnn-2.1-py3.6.egg/mrcnn/model.py", line 2132, in load_weights
  File "/usr/local/lib/python3.6/site-packages/keras/engine/saving.py", line 1018, in load_weights_from_hdf5_group_by_name
    str(weight_values[i].shape) + '.')
ValueError: Layer #389 (named "mrcnn_bbox_fc"), weight <tf.Variable 'mrcnn_bbox_fc/kernel:0' shape=(1024, 8) dtype=float32_ref> has shape (1024, 8), but the saved weight has shape (1024, 324).

是什么导致了这个错误？它现在才出现的事实让我怀疑我以某种方式搞砸了第二次训练过程，但我使用了与第一次训练相同的过程，只是使用了不同的图像，所以这似乎不可能。在此期间，我也没有对代码进行任何重大更改。

我能想到的关于第二次训练的图像的唯一可能是关闭的，不是所有的图像都有我训练它识别的对象的实例，我只是训练它识别一种新型对象。我还在第二次培训课程中使用了较少数量的 epoch（总共 15 个而不是总共 60 个）。

如果相关，用于训练和保存层权重的大部分代码是这样的：

idxs = list(range(0, len(IMAGE_PATHS)))
random.seed(42)
random.shuffle(idxs)
i = int(len(idxs) * TRAINING_SPLIT) 
trainIdxs = idxs[:i]
valIdxs = idxs[i:]
trainDataset = ImageBoundaryDataset(IMAGE_PATHS, CLASS_NAMES)
        trainDataset.load_images(trainIdxs)
        trainDataset.prepare()
        valDataset = ImageBoundaryDataset(IMAGE_PATHS, CLASS_NAMES)
        valDataset.load_images(valIdxs)
        valDataset.prepare()
        config = ImageBoundaryConfig()
        config.display()

    #image augmentation, flip or rotate image
    aug = iaa.SomeOf((0, 2), [
        iaa.Fliplr(0.5),
        iaa.Flipud(0.5),
        iaa.Affine(rotate=(-10, 10))
    ])

model = modellib.MaskRCNN(mode="training", config=config, model_dir=LOGS_AND_MODEL_DIR)
        model.load_weights(COCO_PATH, by_name=True,
                            exclude=["mrcnn_class_logits", "mrcnn_bbox_fc",
                                    "mrcnn_bbox", "mrcnn_mask"])

        print("loaded weights, about to train layer heads")
        #train layer heads
        model.train(trainDataset, valDataset, learning_rate=config.LEARNING_RATE, epochs=5,
            layers="heads", 
            augmentation=aug)
        print("trained layer heads, about to train model")

        #train all layers
        model.train(trainDataset, valDataset, epochs=10, #usually 40 for serious training
            layers="all", learning_rate=config.LEARNING_RATE / 10, augmentation=aug)

标签： pythontensorflowmachine-learningkeras

解决方案

您应该排除一些层，例如mrcnn_bbox_fc， mrcnn_class_logits（在方法中填写层的名称load_weights），然后开始微调。

您可以排除这些层，而不是：

model.load_weights(CUSTOM_MODEL_PATH, by_name=True)

利用：

model.load_weights(
    COCO_MODEL_PATH, by_name=True,
    exclude=["mrcnn_class_logits", "mrcnn_bbox_fc", "mrcnn_bbox", "mrcnn_mask", "rpn_model"])

推荐阅读